CN114330430A - 一种基于大数据特征分析的电梯故障判断方法及系统 - Google Patents
一种基于大数据特征分析的电梯故障判断方法及系统 Download PDFInfo
- Publication number
- CN114330430A CN114330430A CN202111580481.4A CN202111580481A CN114330430A CN 114330430 A CN114330430 A CN 114330430A CN 202111580481 A CN202111580481 A CN 202111580481A CN 114330430 A CN114330430 A CN 114330430A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- value
- data
- elevator
- big data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Maintenance And Inspection Apparatuses For Elevators (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本发明公开了一种基于大数据特征分析的电梯故障判断方法及系统,先获取电梯轿厢的振动信号,对振动信号进行预处理和快速傅里叶变换,将振动信号转换为特征图,再对特征图进行灰度化和归一化处理,然后将处理过的特征图作为训练样本,其中包括正常样本和故障样本,输入到CNN中进行学习训练,通过优化参数使得模型具有较好的故障诊断效果,并利用训练后的CNN实现对针对信号的实时判断,以实现快速、准确的诊断电梯故障。
Description
技术领域
本申请属于电梯数据分析技术领域,具体涉及一种基于大数据特征分析的电梯故障判断方法及系统,尤其是一种基于FFT(Fast Fourier Transform,快速傅里叶变换)和CNN(Convolutional Neural Networks,卷积神经网络)的电梯故障判断方法及系统。
背景技术
随着近年来电梯的日益普及,电梯的舒适度和安全系数也越来越得到人们的重视。同时,也正是因为电梯的大面积普及,各类电梯故障问题也层出不穷。而电梯的轿厢作为电梯整体的重要组成部分,轿厢的安全状况对电梯的安全问题具有直接的影响。
电梯的轿厢可以说是电梯的主体部件,是与使用者最直接接触的电梯部件,同时也是连接其他部件的中心点,一旦其他部件发生故障,都会直接影响轿厢的状态,尤其是轿厢的振动,是对电梯整体运行状况的直接体现。因此寻找合适的方法对电梯轿厢振动信号进行诊断具有现实意义。
当电梯发生故障时,轿厢运行时就会产生非平稳的振动信号,这些信号中就包含着电梯故障的特征信息。所以,需要考虑如何从振动信号中提取出所需的特征。常用的小波分解加支持向量机的方法虽然有不错的效果,但是小波分解的小波基和分解层数选择不当都会对结果产生较大误差,需要依靠专家经验。这使得当前根据电梯轿厢振动信号进行电梯故障诊断存在较大难度。
发明内容
本申请的目的在于提供一种基于大数据特征分析的电梯故障判断方法及系统,可快速、准确诊断电梯故障。
为实现上述目的,本申请所采取的技术方案为:
一种基于大数据特征分析的电梯故障判断方法,所述基于大数据特征分析的电梯故障判断方法,包括:
1)采集电梯轿厢的振动信号,并对所采集的振动信号进行预处理;
2)将预处理后的振动信号转换为二维矩阵构成特征图,包括:
21)将预处理后的振动信号等分成Q个数据段,每一数据段表示为y(q)={y1,y2,y3,…,ym×m},1≤q≤Q;
22)对数据段y(q)进行FFT变换求出模值,即得到变换后的数据序列Y(q)={y1,y2,y3,…,ym×m};
23)取L(i)为数据序列Y(q)中第i个振动信号的模值,i=1,…m2;
24)建立公式如下:
式中,P(j,k)为转换后特征图的像素点(j,k)的像素强度,j=1,…m,k=1,…m,round为round函数,Min(L)为数据段中最小的振动信号的值,Max(L)为数据段中最大的振动信号的值;
3)对转换得到的特征图进行灰度化生成灰度图;
4)对灰度图上的像素点的值进行归一化处理得到标准图;
5)将所述标准图作为预训练的CNN的输入,得到对应的故障判断结果。
以下还提供了若干可选方式,但并不作为对上述总体方案的额外限定,仅仅是进一步的增补或优选,在没有技术或逻辑矛盾的前提下,各可选方式可单独针对上述总体方案进行组合,还可以是多个可选方式之间进行组合。
作为优选,所述预处理包括:
针对振动信号中的缺失值,使用缺失值位置前后振动信号的均值对缺失值进行补全;
使用统计学方法中的3σ探测法,通过计算振动信号的标准差和均值来判断异常值,并将异常值进行剔除;
采用巴特沃斯滤波器对振动信号进行滤波,所述巴特沃斯滤波器的滤波公式为:
式中,n为巴特沃斯滤波器的阶数,ωc为截止频率。
作为优选,所述巴特沃斯滤波器的阶数n=1。
作为优选,所述CNN为ResNet-18网络。
本申请还提供一种基于大数据特征分析的电梯故障判断系统,所述基于大数据特征分析的电梯故障判断系统包括信号采集及预处理模块、特征图转换模块、灰度转换模块、归一化模块、故障输出模块,其中:
信号采集及预处理模块,用于采集电梯轿厢的振动信号,并对所采集的振动信号进行预处理;
特征图转换模块,用于将预处理后的振动信号转换为二维矩阵构成特征图,具体执行如下操作:
将预处理后的振动信号等分成Q个数据段,每一数据段表示为y(q)={y1,y2,y3,…,ym×m},1≤q≤Q;
对数据段y(q)进行FFT变换求出模值,即得到变换后的数据序列Y(q)={y1,y2,y3,…,ym×m};
取L(i)为数据序列Y(q)中第i个振动信号的模值,i=1,…m2;
建立公式如下:
式中,P(j,k)为转换后特征图的像素点(j,k)的像素强度,j=1,…m,k=1,…m,round为round函数,Min(L)为数据段中最小的振动信号的值,Max(L)为数据段中最大的振动信号的值;
灰度转换模块,用于对转换得到的特征图进行灰度化生成灰度图;
归一化模块,用于对灰度图上的像素点的值进行归一化处理得到标准图;
故障输出模块,用于将所述标准图作为预训练的CNN的输入,得到对应的故障判断结果。
作为优选,所述预处理包括:
针对振动信号中的缺失值,使用缺失值位置前后振动信号的均值对缺失值进行补全;
使用统计学方法中的3σ探测法,通过计算振动信号的标准差和均值来判断异常值,并将异常值进行剔除;
采用巴特沃斯滤波器对振动信号进行滤波,所述巴特沃斯滤波器的滤波公式为:
式中,n为巴特沃斯滤波器的阶数,ωc为截止频率。
作为优选,所述巴特沃斯滤波器的阶数n=1。
作为优选,所述CNN为ResNet-18网络。
本申请提供的基于大数据特征分析的电梯故障判断方法及系统,先获取电梯轿厢的振动信号,对振动信号进行预处理和快速傅里叶变换,将振动信号转换为特征图,再对特征图进行灰度化和归一化处理,然后将处理过的特征图作为训练样本,其中包括正常样本和故障样本,输入到CNN中进行学习训练,通过优化参数使得模型具有较好的故障诊断效果,并利用训练后的CNN实现对针对信号的实时判断,以实现快速、准确的诊断电梯故障。
附图说明
图1为本申请的基于大数据特征分析的电梯故障判断方法流程图;
图2为本申请卷积神经网络的训练流程图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是在于限制本申请。
为了克服现有技术中电梯故障诊断准确性不高的问题,本实施例提出一种基于大数据特征分析的电梯故障判断方法。
如图1所示,本实施例的基于大数据特征分析的电梯故障判断方法,包括:
1)采集电梯轿厢的振动信号,并对所采集的振动信号进行预处理;
通过在电梯轿厢安装振动传感器进行数据采集。考虑到采集的数据会有存在缺失值和异常值的情况,因此需要对数据进行预处理。针对缺失值,使用均值插补,通过缺失值位置前后数据均值对振动信号的缺失值进行补全,或者在CNN训练时使用同种不同时的振动数据的均值进行补全。针对异常值,使用统计学方法中的3σ探测法,通过计算数据的标准差和均值来判断异常值,并将异常值进行剔除。
对于含有噪音的振动信号采用巴特沃斯滤波器进行滤波,滤波器的公式为:
式中,n为滤波器的阶数,ωc是截止频率。因为巴特沃斯滤波器在高阶情况下虽然在截止频率附近滤波效果更好,但是也会造成严重的信号失真,对后续CNN学习的精度影响较大。因此本实施例为了保证滤波器的综合性能最佳取滤波器的阶数n=1。
需要说明的是,本实施例采用振动传感器采集电梯轿厢的振动信号,在能够采集到信号的前提下,不对振动传感器的安装位置进行限制。
2)将预处理后的振动信号转换为二维矩阵构成特征图,包括:
21)将预处理后的振动信号等分成Q个数据段,每一数据段表示为y(q)={y1,y2,y3,…,ym×m},1≤q≤Q。
容易理解的是,在进行数据分段时,若本次采集的振动信号所包含的信号数量不满足等分,则可相应去除头部或尾部的部分数据以完成等分。
22)对数据段y(q)进行FFT变换求出模值,即得到变换后的数据序列Y(q)={y1,y2,y3,…,ym×m}。
对滤波处理后的信号数据进行快速傅里叶变换(Fast Fourier Transform)将信号从原始域转换到频域中进行表示。对于序列x(n)={x0,x1,x2,...,xN-1},0≤n<N的离散傅里叶变换的表达式为:
其中,e是自然对数的底数,i是虚数单位。FFT通过将DFT矩阵分解为稀疏因子之积来快速计算此类变换,因此能够计算DFT(离散傅里叶变换)的复杂度,将用DFT定义计算需要的O(n2)降低到O(nlogn)。
23)取L(i)为数据序列Y(q)中第i个振动信号的模值,i=1,…m2。
24)建立公式如下:
式中,P(j,k)为转换后特征图的像素点(j,k)的像素强度,j=1,…m,k=1,…m,round为round函数,Min(L)为数据段中最小的振动信号的值,Max(L)为数据段中最大的振动信号的值。根据上述公式将采集的振动信号转换为特征图,以便于后续基于CNN进行故障识别,提高故障识别速度。
3)对转换得到的特征图进行灰度化生成灰度图。
4)对灰度图上的像素点的值进行归一化处理得到标准图;
5)将所述标准图作为预训练的CNN的输入,得到对应的故障判断结果。
容易理解的是,CNN在使用前需要进行相应的训练,也就是CNN输出的故障判断结果与其训练数据有关,若在训练中标签仅设置为正常样本和故障样本,则在实时故障判断时输出的故障判断结果为正常或故障,以判断电梯目前的运行状况是正常还是故障。若训练时故障样本进一步细分为多类,则实时判断时也将输出详细的故障类别,已完成基于电梯轿厢的振动信号实现对电梯多类别故障判断的效果。
本实施例将采集的振动信号划分为多个数据段进行判断,每一数据段对应不同的时间段,最终针对每一数据段得到的故障判断结果也就是得到电梯在不同时刻的运行状态,实现对电梯连续性或指定时间段的监控。
本实施例使用的是经典卷积神经网络中的ResNet-18网络,特点是网络中存在大量残差模块,可以避免产生梯度衰减或梯度消失等问题。ResNet-18包含这一系列的卷积层、恒等映射、relu激活函数、全局均值池化,全连接层等。
本实施例提出将电梯轿厢的振动信号进行快速傅里叶变换,将振动信号转换为二维的灰度特征图,再通过卷积神经网络对特征图进行学习训练的方法。对比其他直接将振动信号作为输入再用神经网络进行学习的方法,将振动信号转成二维灰度图输入到卷积神经网络的方法准确率更高,收敛速度也更快,最重要的是该方法的预处理过程不再需要预设相关的定义系数,更具普适性。
如图2所示,本实施例中对神经网络进行训练时所采用的数据来自杭州沪宁电梯部件股份有限公司的电梯试验塔,采用的数据包括正常数据,轿厢故障数据,曳引轮故障数据和制动导靴故障数据四种数据,一共四种运行状态。将正常数据作为无故障的数据集,将另外三种故障数据作为故障的数据集。每种数据的样本数目为200,每个样本有1024个数据点,共计800个样本。
在进行神经网络训练时,首先对原始样本进行上述步骤的预处理,并对预处理后的样本进行分类标签,将正常数据(正常信号)标记为标签0,轿厢故障数据作为故障信号1标记为标签1,曳引轮故障数据作为故障信号2标记为标签2,制动导靴故障数据作为故障信号3标记为标签3,然后对数据进行快速傅里叶变换并转换为特征图,对特征图进行灰度与归一化后,按5:3的比例随机抽取出样本分为训练集和测试集。将训练集输入卷积网络进行学习训练并进行训练过程监督,如果训练结果达到预期目标(即满足精度要求),则用数据增强后的测试集对网络进行准确性测试,如果训练结果没有达到预期目标,则将训练数据循环返回到网络中进行训练,直到达到预期目标。
由于电梯实际运行中运行情况复杂多样,因此在实时故障判断中,将CNN输出的置信度低于预设值的判断结果对应的振动信号上传至专家系统,通过专家经验判断该振动信号的标签,并将判断后的标签用于CNN训练以实时完善CNN,得到准确性更高、故障判断种类更加全面的判断结果。
在另一个实施例中,提供一种基于大数据特征分析的电梯故障判断系统,所述基于大数据特征分析的电梯故障判断系统包括信号采集及预处理模块、特征图转换模块、灰度转换模块、归一化模块、故障输出模块,其中:
信号采集及预处理模块,用于采集电梯轿厢的振动信号,并对所采集的振动信号进行预处理;
特征图转换模块,用于将预处理后的振动信号转换为二维矩阵构成特征图,具体执行如下操作:
将预处理后的振动信号等分成Q个数据段,每一数据段表示为y(q)={y1,y2,y3,…,ym×m},1≤q≤Q;
对数据段y(q)进行FFT变换求出模值,即得到变换后的数据序列Y(q)={y1,y2,y3,…,ym×m};
取L(i)为数据序列Y(q)中第i个振动信号的模值,i=1,…m2;
建立公式如下:
式中,P(j,k)为转换后特征图的像素点(j,k)的像素强度,j=1,…m,k=1,…m,round为round函数,Min(L)为数据段中最小的振动信号的值,Max(L)为数据段中最大的振动信号的值;
灰度转换模块,用于对转换得到的特征图进行灰度化生成灰度图;
归一化模块,用于对灰度图上的像素点的值进行归一化处理得到标准图;
故障输出模块,用于将所述标准图作为预训练的CNN的输入,得到对应的故障判断结果。
其中,所述预处理包括:
针对振动信号中的缺失值,使用缺失值位置前后振动信号的均值对缺失值进行补全;
使用统计学方法中的3σ探测法,通过计算振动信号的标准差和均值来判断异常值,并将异常值进行剔除;
采用巴特沃斯滤波器对振动信号进行滤波,所述巴特沃斯滤波器的滤波公式为:
式中,n为巴特沃斯滤波器的阶数,ωc为截止频率。
其中,所述巴特沃斯滤波器的阶数n=1。
其中,所述CNN为ResNet-18网络。
关于基于大数据特征分析的电梯故障判断系统的限定参见上述对于基于大数据特征分析的电梯故障判断方法的限定,这里不再进行赘述。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于大数据特征分析的电梯故障判断方法,其特征在于,所述基于大数据特征分析的电梯故障判断方法,包括:
1)采集电梯轿厢的振动信号,并对所采集的振动信号进行预处理;
2)将预处理后的振动信号转换为二维矩阵构成特征图,包括:
21)将预处理后的振动信号等分成Q个数据段,每一数据段表示为y(q)={y1,y2,y3,...,ym×m},1≤q≤Q;
22)对数据段y(q)进行FFT变换求出模值,即得到变换后的数据序列Y(q)={y1,y2,y3,...,ym×m};
23)取L(i)为数据序列Y(q)中第i个振动信号的模值,i=1,...m2;
24)建立公式如下:
式中,P(j,k)为转换后特征图的像素点(j,k)的像素强度,j=1,...m,k=1,...m,round为round函数,Min(L)为数据段中最小的振动信号的值,Max(L)为数据段中最大的振动信号的值;
3)对转换得到的特征图进行灰度化生成灰度图;
4)对灰度图上的像素点的值进行归一化处理得到标准图;
5)将所述标准图作为预训练的CNN的输入,得到对应的故障判断结果。
3.如权利要求2所述的基于大数据特征分析的电梯故障判断方法,其特征在于,所述巴特沃斯滤波器的阶数n=1。
4.如权利要求1所述的基于大数据特征分析的电梯故障判断方法,其特征在于,所述CNN为ResNet-18网络。
5.一种基于大数据特征分析的电梯故障判断系统,其特征在于,所述基于大数据特征分析的电梯故障判断系统包括信号采集及预处理模块、特征图转换模块、灰度转换模块、归一化模块、故障输出模块,其中:
信号采集及预处理模块,用于采集电梯轿厢的振动信号,并对所采集的振动信号进行预处理;
特征图转换模块,用于将预处理后的振动信号转换为二维矩阵构成特征图,具体执行如下操作:
将预处理后的振动信号等分成Q个数据段,每一数据段表示为y(q)={y1,y2,y3,...,ym×m},1≤q≤Q;
对数据段y(q)进行FFT变换求出模值,即得到变换后的数据序列Y(q)={y1,y2,y3,...,ym×m};
取L(i)为数据序列Y(q)中第i个振动信号的模值,i=1,...m2;
建立公式如下:
式中,P(j,k)为转换后特征图的像素点(j,k)的像素强度,j=1,...m,k=1,...m,round为round函数,Min(L)为数据段中最小的振动信号的值,Max(L)为数据段中最大的振动信号的值;
灰度转换模块,用于对转换得到的特征图进行灰度化生成灰度图;
归一化模块,用于对灰度图上的像素点的值进行归一化处理得到标准图;
故障输出模块,用于将所述标准图作为预训练的CNN的输入,得到对应的故障判断结果。
7.如权利要求6所述的基于大数据特征分析的电梯故障判断系统,其特征在于,所述巴特沃斯滤波器的阶数n=1。
8.如权利要求5所述的基于大数据特征分析的电梯故障判断系统,其特征在于,所述CNN为ResNet-18网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111580481.4A CN114330430A (zh) | 2021-12-22 | 2021-12-22 | 一种基于大数据特征分析的电梯故障判断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111580481.4A CN114330430A (zh) | 2021-12-22 | 2021-12-22 | 一种基于大数据特征分析的电梯故障判断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114330430A true CN114330430A (zh) | 2022-04-12 |
Family
ID=81055381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111580481.4A Pending CN114330430A (zh) | 2021-12-22 | 2021-12-22 | 一种基于大数据特征分析的电梯故障判断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330430A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115783923A (zh) * | 2022-11-30 | 2023-03-14 | 沃克斯迅达电梯有限公司 | 基于大数据的电梯故障模式识别系统 |
CN117272032A (zh) * | 2023-11-22 | 2023-12-22 | 青岛埃恩斯信息技术科技有限公司 | 一种基于振动检测的空压机故障诊断方法与装置 |
-
2021
- 2021-12-22 CN CN202111580481.4A patent/CN114330430A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115783923A (zh) * | 2022-11-30 | 2023-03-14 | 沃克斯迅达电梯有限公司 | 基于大数据的电梯故障模式识别系统 |
CN117272032A (zh) * | 2023-11-22 | 2023-12-22 | 青岛埃恩斯信息技术科技有限公司 | 一种基于振动检测的空压机故障诊断方法与装置 |
CN117272032B (zh) * | 2023-11-22 | 2024-02-13 | 青岛埃恩斯信息技术科技有限公司 | 一种基于振动检测的空压机故障诊断方法与装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109299705B (zh) | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 | |
CN110595775A (zh) | 基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法 | |
CN110516305B (zh) | 基于注意机制元学习模型的小样本下故障智能诊断方法 | |
CN112254964A (zh) | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 | |
CN110991295B (zh) | 一种基于一维卷积神经网络的自适应故障诊断方法 | |
CN114330430A (zh) | 一种基于大数据特征分析的电梯故障判断方法及系统 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN112067294A (zh) | 基于深度学习的滚动轴承智能故障诊断方法 | |
CN113761649B (zh) | 一种基于一维卷积神经网络的智能汽车轮胎偏磨预测方法 | |
CN107830996B (zh) | 一种飞行器舵面系统故障诊断方法 | |
CN112541233A (zh) | 基于改进卷积神经网络的旋转机械故障诊断方法 | |
CN108647707B (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
CN112000084A (zh) | 一种基于1d-cnn和gru-svm的控制器模块智能bit设计方法 | |
CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
CN112541510A (zh) | 基于多通道时间序列数据的智能故障诊断方法 | |
CN115409052A (zh) | 一种数据失衡下风力发电机组轴承的故障诊断方法及系统 | |
CN113392874B (zh) | 轨道车辆异常状态诊断方法、装置及终端设备 | |
CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
CN114048787A (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
CN114781427B (zh) | 基于信息融合技术的风力发电机组滚动轴承故障诊断系统 | |
CN116127297A (zh) | 机电设备故障诊断方法和系统 | |
CN113409213B (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
CN115931318A (zh) | 故障智能诊断方法、装置、设备及存储介质 | |
CN115659778A (zh) | 风力发电机轴承故障诊断模型在线构建方法及在线更新设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |